Drift bei mehreren Bildreferenzen: Layout und Stil sauber trennen

Sie übergeben einem Bildgenerator eine Layoutreferenz, eine Stilreferenz und ein Bild des Motivs. Die Anfrage läuft ohne Fehler durch, doch das Ergebnis wirkt wie generische Stockgrafik: Das Motiv wandert an eine andere Stelle, der für eine Überschrift reservierte Freiraum verschwindet und mehrere Bildstile verschmelzen zu einem unbestimmten „KI-Look“. Reagieren Sie darauf nicht einfach mit noch mehr Prompt-Text. Geben Sie zuerst jeder Referenz eine eindeutige Aufgabe und vergleichen Sie das Ergebnis anschließend Punkt für Punkt mit der vorgesehenen Komposition.

In einem öffentlichen Bericht hatte ein Agent mehrere Stilreferenzen in einen einzigen flachen Parameter verkettet. Das Modell bildete daraus eine Art Durchschnitt und lieferte generische Texturen zurück, ohne dass ein API-Fehler auftrat. Dieser einzelne Bericht belegt kein universelles Modellverhalten, macht aber einen wichtigen Unterschied sichtbar: Eine technisch erfolgreiche Anfrage ist nicht automatisch eine visuell erfolgreiche Aufgabe.

Die praktische Regel: Ein Bild steuert die Komposition, ein anderes die Erscheinung

Die wichtigste Änderung besteht darin, nicht alle Bilder als gleichrangige, unerklärte Referenzliste zu behandeln. Trennen Sie mindestens diese drei Rollen:

Rolle der Referenz	Was sie steuern soll	Was sie nicht steuern soll
Layoutreferenz	Anzahl der Motive, Position, relative Größe, Kamera, Ausschnitt und Negativraum	Farbpalette, Material, Pinselwirkung oder Lichtstil
Motivreferenz	Identität, Form und charakteristische Merkmale einer Person oder eines Objekts	Gesamtkomposition oder unbeteiligte Hintergrundobjekte
Stilreferenz	Palette, Textur, Linienqualität, Körnung, Beleuchtung und Renderingsprache	Objekte, Text oder Komposition des Referenzbilds

Wenn die Aufgabe nur Layout und Stil benötigt, verwenden Sie nur diese beiden Bilder. Mehr Referenzen bedeuten nicht automatisch mehr Kontrolle; sie können auch widersprüchliche Signale hinzufügen, die das System ausgleichen muss.

Warum eine flache Referenzliste oft einen generischen Kompromiss erzeugt

Eine flache Liste sagt lediglich: „Alle diese Bilder sind wichtig.“ Sie erklärt aber nicht, wofür jedes Bild wichtig ist. Das Modell oder ein vorgeschalteter Agent muss die Beziehung erraten. So können die Farbe aus einem Bild, die Textur aus einem zweiten und ein unerwünschtes Objekt aus einem dritten Bild zusammenfließen – zu einem plausiblen, aber am Ziel vorbeigehenden Kompromiss.

Dabei muss kein technischer Fehler entstehen. Authentifizierung, Upload, Request-Syntax und Antwortverarbeitung können vollständig funktionieren. Ein erfolgreicher HTTP-Status oder die Meldung „generation completed“ ist deshalb kein visuelles Abnahmekriterium. Nach der Generierung braucht der Ablauf eine Prüfung der Komposition.

Schritt 1: Formulieren Sie für jede Referenz einen Rollenvertrag

Bevor Sie einen langen Prompt schreiben, beantworten Sie für jedes Bild vier Fragen:

1. Was muss erhalten bleiben? Zum Beispiel: Das Motiv bleibt unten links, der obere Bereich bleibt für eine Überschrift frei und die Kamera behält einen niedrigen Winkel.
2. Was muss ignoriert werden? Zum Beispiel: Identität der Person, Markentext und Hintergrundarchitektur aus der Stilreferenz dürfen nicht übernommen werden.
3. Wie strikt ist die Vorgabe? Ist die Komposition eine harte Bedingung und die Farbe nur eine Präferenz – oder umgekehrt?
4. Welche Referenz gewinnt bei einem Konflikt? Zum Beispiel: Die Layoutreferenz hat bei der Objektposition Vorrang vor einer Anordnung, die das Stilbild nahelegt.

Ein brauchbarer Rollenvertrag kann so aussehen:

Datei	Rolle	Erhalten	Ignorieren	Konfliktregel
layout.png	Layout	Zwei Motive mit Groß-klein-Verhältnis, Freiraum rechts, Draufsicht	Farbe und Material	Räumliche Beziehungen haben Vorrang vor allen anderen Referenzen
subject.png	Motiv	Silhouette und charakteristische Details	Ursprünglicher Hintergrund und Kamera	Motiv ersetzen, ohne seine Position im Layout zu ändern
style.png	Stil	Warmgraue Palette, Papierkörnung, weiche Schatten	Personen und Text im Bild	Nur die Erscheinung übertragen, nicht den Inhalt

Das ist hilfreicher als „Referenz 1, 2 und 3“, weil sowohl gewünschte Signale als auch verbotene Übernahmen festgelegt sind.

Schritt 2: Ersetzen Sie die flache Liste durch eine hierarchische Anfrage

Die tatsächlichen API-Felder unterscheiden sich je nach Werkzeug. Das folgende Beispiel ist eine konzeptionelle Struktur und kein realer Vertrag eines Anbieters. Nutzen Sie sie, um zu prüfen, ob Ihr Agent die Rolleninformationen bis zur endgültigen Anfrage erhält:

references:
  - id: layout
    source: layout.png
    role: composition
    preserve: [subject_count, position, scale, camera, negative_space]
  - id: subject
    source: subject.png
    role: identity
    preserve: [shape, distinctive_details]
  - id: style
    source: style.png
    role: appearance
    preserve: [palette, texture, line_quality, lighting]
    exclude: [objects, text, composition]
priority:
  - layout
  - subject
  - style
acceptance_reference: layout.png

Entscheidend ist nicht, ob Ihre API genau diese Feldnamen verwendet. Entscheidend ist, ob dieselbe Bedeutung die gesamte Verarbeitungskette überlebt. Prüfen Sie die Anfrage, die der Agent tatsächlich sendet: Wurde ein Bild-Array zu einer verketteten Zeichenfolge? Sind Rollenbeschreibungen in allgemeinem Fließtext verschwunden? Haben Wiederholungen oder Stapelverarbeitung die Dateireihenfolge verändert?

Wenn die Ziel-API getrennte Referenztypen, Gewichtungen oder Bearbeitungsmasken dokumentiert, übertragen Sie den Rollenvertrag in dieses Schema. Wenn sie das nicht tut, erfinden Sie keine Parameter. Wechseln Sie zu einem gestuften Ablauf.

Schritt 3: Arbeiten Sie zweistufig, wenn das Werkzeug keine Rollen ausdrücken kann

Akzeptiert die Oberfläche nur eine undifferenzierte Bildmenge, fixieren Sie zuerst die Komposition und wenden den Stil anschließend an. Zwei getrennte Transformationen lassen sich meist leichter untersuchen als eine einzige Anfrage, die alle Signale gleichzeitig verarbeiten soll.

Stufe A: Komposition und Motiv festlegen

Verwenden Sie die Layoutreferenz und ergänzen Sie die Motivreferenz nur, wenn sie wirklich benötigt wird. Beschreiben Sie Anzahl, Platzierung, Kamera, Ausschnitt und Negativraum. Material und Renderingsprache bleiben in dieser Stufe außen vor. Ziel ist ein strukturell korrektes Bild, auch wenn es zunächst schlicht aussieht.

Stufe B: Erscheinung anwenden, ohne die Szene neu aufzubauen

Nutzen Sie das Ergebnis aus Stufe A als neues Ausgangsbild und bearbeiten oder zeichnen Sie es mit der Stilreferenz neu. Legen Sie fest, dass Positionen und Grenzen der Motive, Kamera, Ausschnitt und Negativraum unverändert bleiben; nur Palette, Textur, Linienqualität und Beleuchtung dürfen sich ändern.

Unterstützt das Werkzeug Masken, öffnen Sie nur die Bereiche, die bearbeitet werden sollen. Ohne Bearbeitungsmodus bleibt das Ergebnis aus Stufe A die primäre Referenz und das Stilbild die sekundäre. Ob explizite Gewichtungen verfügbar sind, hängt von der aktuellen Dokumentation des jeweiligen Werkzeugs ab.

Schritt 4: Führen Sie vier kontrollierte Varianten aus, um das verlorene Signal zu finden

Ändern Sie nicht immer wieder denselben komplexen Request. Halten Sie Prompt, Abmessungen und andere steuerbare Einstellungen konstant und erzeugen Sie vier Varianten:

Test	Eingabe	Was zu prüfen ist
A	Nur Layoutreferenz	Bleiben Motivanzahl, Positionen, Kamera, Ausschnitt und Negativraum erhalten?
B	Nur Stilreferenz	Welche Eigenschaften von Palette, Textur, Linie und Licht werden tatsächlich übertragen?
C	Layout und Stil als flache Liste	Entsteht ein Kompromiss, eine Stilmittelung oder unerwünschter Inhalt?
D	Layout und Stil mit expliziten Rollen und Priorität	Liegt jedes Ziel näher am Soll als in Test C?

Das ist kein Test, ob ein Modell „gut“ oder „schlecht“ ist. Er zeigt, ob der Bruch bereits bei der Interpretation eines einzelnen Bildes, bei der Kombination mehrerer Bilder oder bei der Parameterverarbeitung des Agenten entsteht. Wenn A und B funktionieren, C driftet und D sich verbessert, ist Rollenunklarheit ein starker Verdacht. Wenn D genauso aussieht wie C, prüfen Sie den finalen Payload oder verwenden Sie das zweistufige Verfahren.

Falls das Werkzeug einen Seed unterstützt, verwenden Sie in allen Varianten denselben Wert, um Zufallsschwankungen zu reduzieren. Ohne Seed sollten Sie den Vergleich nicht als deterministisch darstellen; erzeugen Sie mehrere Beispiele pro Variante und achten Sie auf wiederkehrende strukturelle Fehler.

Schritt 5: Nehmen Sie gegen die Zielkomposition ab, nicht nach „sieht gut aus“

Ein gefährliches Ergebnis ist nicht zwingend hässlich. Es kann so ausgearbeitet wirken, dass es eine schnelle Sichtprüfung besteht, obwohl es das eigentliche Template verfehlt. Prüfen Sie harte Bedingungen, bevor Sie den Stil bewerten.

Harte Bedingungen: Bei einem Fehler den Kandidaten verwerfen

• Die Anzahl der Motive stimmt.
• Positionen und relative Größen entsprechen dem Layout.
• Kamerarichtung, Ausschnitt und Perspektive sind korrekt.
• Reservierter Textbereich oder Negativraum bleibt verfügbar.
• Objekte, Personen oder Texte aus der Stilreferenz sind nicht in das Ergebnis gelangt.
• Charakteristische Merkmale des Motivs bleiben erkennbar.

Weiche Bedingungen: Damit ordnen Sie die verbleibenden Kandidaten

• Die Palette liegt nahe am Ziel.
• Textur und Körnung wirken beabsichtigt statt verschmiert.
• Linien, Kanten und Schatten entsprechen der gewünschten Bildsprache.
• Das Ergebnis wirkt geschlossen und nicht wie ein Durchschnitt mehrerer Stile.

Stellen Sie Layoutreferenz und Kandidat nebeneinander und protokollieren Sie für jede harte Bedingung bestanden oder nicht bestanden. Speichern Sie nicht nur das Endbild, sondern auch Request-Version, Referenzreihenfolge und den exakten Payload des Agenten. So lässt sich die nächste Drift reproduzieren.

Häufige Symptome in der richtigen Reihenfolge untersuchen

Symptom	Zuerst prüfen	Bevorzugte Reaktion
Stil ist stark, aber die Komposition verändert sich	Wurde das Stilbild als gleichrangige Hauptreferenz behandelt?	Layout höher priorisieren oder Komposition und Stil in Stufen trennen
Komposition stimmt, aber der Stil ist schwach	Enthält der Prompt nur abstrakte Stimmungswörter?	Beobachtbare Merkmale von Palette, Material, Linie und Licht benennen
Mehrere Stile verschmelzen zu einem generischen Look	Sind widersprüchliche Stilbilder gleichzeitig enthalten?	Eine dominante Stilreferenz wählen; weitere Bilder nur je ein Merkmal liefern lassen
Das Motiv des Stilbilds erscheint im Ergebnis	Wurde festgelegt, dass nur die Erscheinung übertragen wird?	Objekte, Text und Komposition ausdrücklich ausschließen
Prompt-Änderungen zeigen keine Wirkung	Hat der Agent die neuen Parameter tatsächlich gesendet?	Finale Payloads statt nur des vorgelagerten Formulars vergleichen
API ist erfolgreich, Bilder driften dennoch	Wird technischer Erfolg als visuelle Abnahme verwendet?	Harte Kompositionsgrenzen und kontrollierte Vergleiche ergänzen

Ein wiederverwendbarer Minimalablauf

1. Wählen Sie nur die Referenzen aus, die für die Aufgabe notwendig sind.
2. Geben Sie jedem Bild eine Hauptrolle sowie Regeln zum Erhalten, Ignorieren und Lösen von Konflikten.
3. Prüfen Sie den finalen Agenten-Request darauf, dass Arrays, Reihenfolge und Rollen nicht verflacht wurden.
4. Erzeugen Sie zuerst Basisvarianten nur mit Layout und nur mit Stil, bevor Sie flache und rollentrennte Varianten vergleichen.
5. Verwerfen Sie Kandidaten anhand harter Kompositionsbedingungen, bevor Sie Stilunterschiede bewerten.
6. Speichern Sie Kandidaten, Referenzen, Request-Versionen und Abnahmeergebnisse gemeinsam.
7. Kann die Oberfläche keine Rollen abbilden, bearbeiten Sie zuerst die Komposition und danach den Stil.

Das Ziel ist kein längerer Prompt. Das Ziel ist ein Ablauf, in dem jedes visuelle Signal einen Verantwortlichen hat. Solange Sie beantworten können, welches Bild ein Merkmal steuert, welche Regel einen Konflikt gewinnt und was als bestanden gilt, sind mehrere Referenzen kein ungeordneter Bildstapel mehr, den das Modell allein interpretieren muss.